孫旭偉
(華東宜興抽水蓄能有限公司,江蘇 宜興 214205)
粒子群優(yōu)化算法即Particle Swarm Optimization(PSO)是由Kennedy和Eberhart于1995年提出的一種基于群智能(Swarm Intelligence)方法的演化計(jì)算(evolutionary computation)技術(shù)。
PSO的基本概念源于對(duì)鳥群捕食行為的研究。PSO中,每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一只鳥,稱之為“粒子”。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的目標(biāo)函數(shù)值,每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。PSO初始化為一群隨機(jī)粒子,然后通過(guò)迭代找到最優(yōu)解。在每一次迭代中,粒子通過(guò)跟蹤兩個(gè)極值來(lái)更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解(個(gè)體極值)。另一個(gè)極值可以是整個(gè)粒子群目前找到的最優(yōu)解(全局極值),此時(shí)的PSO算法稱為全局版PSO算法,也可以是該粒子的鄰居所找到的最優(yōu)解,此時(shí)的PSO算法稱為局部版PSO算法。
假設(shè)在一個(gè)D維的目標(biāo)搜索空間內(nèi),由m個(gè)粒子組成的一個(gè)群落,其中第個(gè)粒子的當(dāng)前位置可以表示為一個(gè)D維的向量Xi=(xi1,xi2,…,xiD),i=1,2,…,m,每個(gè)粒子的位置就是一個(gè)候選解。將Xi代入一個(gè)指定的目標(biāo)函數(shù)就可以計(jì)算出其相應(yīng)值,根據(jù)目標(biāo)函數(shù)值的大小衡量Xi的優(yōu)劣。第i個(gè)粒子的“飛翔”速度也是一個(gè)D維的向量,記為Xi=(vi1,vi2,…,viD),i=1,2,…,m。第i個(gè)粒子迄今為止搜索到的最優(yōu)位置記為Pi=(pi1,pi2,…,piD),i=1,2,…,m,整個(gè)粒子群迄今為止搜索到的最優(yōu)位置記為:Pg=(pg1,pg2,…,pgD)。粒子群每向前演化一代,就用下列方程對(duì)每個(gè)粒子的位置和速度進(jìn)行更新:
式中k表示迭代的次數(shù);w表示慣性權(quán)重,通常設(shè)定在0.9至0.4之間;c1,c2為學(xué)習(xí)因子,通常取c1=c2=2.0;r1,r2為0至1之間的隨機(jī)數(shù)。此外為防止粒子遠(yuǎn)離搜索空間,粒子的每一維速度υd都會(huì)被限制在[-υdmax,υdmax]之間,υdmax太大,粒子將飛過(guò)最優(yōu)解,υdmax太小則會(huì)陷入局部最優(yōu)解而無(wú)法擺脫。υdmax可設(shè)置為此維變化范圍|xdmax-xdmin|的10%~20%。
下面考慮式(1)中的速度進(jìn)化方程式,其中第一項(xiàng)中的慣性權(quán)重具有維護(hù)全局和局部搜索能力的平衡作用,后兩項(xiàng)是使算法具有局部收斂能力,第二項(xiàng)為“認(rèn)知”部分,它表示微粒自身的經(jīng)驗(yàn)和本身的思考,第三項(xiàng)為“社會(huì)”部分,表示微粒間的社會(huì)信息共享。在算法的開(kāi)始階段應(yīng)加強(qiáng)微粒的自身思考和探索能力,在后期則應(yīng)加強(qiáng)微粒間的交流能力。若微粒缺乏“認(rèn)知”能力,微粒在相互作用下,雖然有能力達(dá)到新的搜索空間,具有較快的收斂速度,但對(duì)于多峰值問(wèn)題,容易使計(jì)算陷入局部最優(yōu)點(diǎn)。若缺乏“社會(huì)”部分,則微粒間缺乏交流,難以得到最優(yōu)解。
因此,根據(jù)當(dāng)前優(yōu)化進(jìn)程,同時(shí)動(dòng)態(tài)調(diào)整慣性權(quán)重ω、加速度權(quán)重C2兩個(gè)控制參數(shù),使得PSO算法在初期具有較強(qiáng)的全局收斂能力,而后期具有較強(qiáng)的局部收斂能力[3],這樣則可以獲得更好的進(jìn)化性能。對(duì)慣性權(quán)重ω、加速度權(quán)重C2使其滿足:
其中:max為最大截止代數(shù),t為當(dāng)前代數(shù)。
這樣將慣性權(quán)重ω、加速度權(quán)重C2看作迭代次數(shù)的線性函數(shù),隨著種群進(jìn)化而進(jìn)行動(dòng)態(tài)調(diào)整,進(jìn)而形成改進(jìn)型動(dòng)態(tài)參數(shù)的粒子群算法。
水輪機(jī)調(diào)速器的作用,是根據(jù)負(fù)荷的變化,不斷地調(diào)節(jié)機(jī)組的有功功率輸出,維持機(jī)組轉(zhuǎn)速(頻率)在規(guī)定范圍內(nèi),以保證電能的質(zhì)量和系統(tǒng)的安全。水輪機(jī)調(diào)速器PID參數(shù)優(yōu)化的常用方法有梯度法、單純形法、遺傳算法等,它們各有優(yōu)點(diǎn),但也存在明顯缺陷,不能很好的滿足實(shí)際調(diào)節(jié)需要,因此本文擬將改進(jìn)型PSO算法引入水輪機(jī)調(diào)速器PID參數(shù)優(yōu)化中,以獲得良好的效果。
根據(jù)仿真的需要,水輪機(jī)調(diào)速器PID控制表達(dá)式通常寫為離散形式:
式中y(n)為第n次采樣周期的輸出量;e(n)、e(n-1)為第n次和第n-1次采樣周期的輸入偏差;△t為采樣周期。所謂PID參數(shù)優(yōu)化,就是利用算法來(lái)優(yōu)化Kp,Ki,Kd三個(gè)參數(shù),其本質(zhì)是基于一定目標(biāo)函數(shù)的參數(shù)尋優(yōu)問(wèn)題,因此采用PSO算法優(yōu)化PID參數(shù)是可行的。
目標(biāo)函數(shù)是PSO算法尋優(yōu)的基本依據(jù),因此目標(biāo)函數(shù)的選取對(duì)優(yōu)化結(jié)果有著非常重要的作用。優(yōu)化PID的參數(shù)目標(biāo)在于提高系統(tǒng)的響應(yīng)速度,減小超調(diào)量(overshoot)、下調(diào)量(undershoot)和穩(wěn)態(tài)誤差,因此在設(shè)計(jì)目標(biāo)函數(shù)時(shí)必須將這些指標(biāo)進(jìn)行量化。根據(jù)以上的分析,以積分性能指標(biāo)ITAE=e(t)|·dt為基礎(chǔ),本文選擇如下函數(shù)為優(yōu)化目標(biāo)函數(shù):
式中ts為仿真時(shí)間。
下面就以國(guó)內(nèi)某電站為例,利用改進(jìn)PSO算法實(shí)現(xiàn)水輪機(jī)調(diào)速器PID參數(shù)的優(yōu)化。電站的基本參數(shù)如下:Tw=0.805s,Ta=5.72s,Ty=0.3s。機(jī)組在某工況點(diǎn)運(yùn)行的參數(shù)為:N(MW)=11.0,H(m)=46.0,η0=0.945,q0(m3/s)=0.972,ey=1.0,eqy=1.08,ex=-0.94,eqx=-0.04,eh=1.47,eqh=0.52。
取Tb=0.24,Ta=1.37,eg=0.5,則被控對(duì)象的數(shù)學(xué)模型為:MATLAB仿真模型如圖1所示。
圖1 水輪機(jī)調(diào)節(jié)系統(tǒng)PID控制仿真模型
通過(guò)Ziegler-Nichols整定方法確定的PID參數(shù)為:kp=3.26,ki=1.25,kd=2.12;
以頻率給定階躍信號(hào)為測(cè)試條件,仿真得到兩組參數(shù)的階躍響應(yīng)曲線,如圖2所示。圖中虛線表示Ziegler-Nichols整定參數(shù)的階躍響應(yīng)曲線,實(shí)線表示優(yōu)化PID參數(shù)的階躍響應(yīng)曲線。
圖2 階躍響應(yīng)曲線對(duì)比圖
仿真結(jié)果表明利用改進(jìn)型動(dòng)態(tài)參數(shù)PSO算法優(yōu)化的PID控制器控制性能良好,調(diào)整時(shí)間短,超調(diào)量、下調(diào)量較小,證明利用改進(jìn)PSO算法優(yōu)化水輪機(jī)調(diào)速器PID參數(shù)是可行的。其優(yōu)化效率高,具有極強(qiáng)的魯棒性和廣泛的適應(yīng)性等特點(diǎn),隨著粒子群算法研究的不斷深入,將在實(shí)際水輪機(jī)調(diào)節(jié)系統(tǒng)應(yīng)用中得到進(jìn)一步的發(fā)展和完善。
[1]Kennedy J,Eberhart R.Particle Swarm Optimizing[C].IEEE International Conference on Neural Networks,Perth,Australia,1995:1942-1948.
[2]Eberhart R,Kennedy J.A New Optimizer Using Particle Swarm Theory[C].Proc of the Sixth International Symposium on Micro Machine and Human Science,Nagoya,Japan,1995:39-43.
[3]Parsopoulos K E,VrahatisM N.Recentapproach to globaloptimization problems through particle swarm optimization[J].Natural Computing,2002,1(2):235-306.